tesseract-ocr

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

                 

转自：http://www.cnblogs.com/zcsor/archive/2011/02/21/1959555.html

关于tesseract-ocr3的训练和使用

众所周知，这是一个出色的字符识别软件。这个开源项目可以在http://code.google.com/p/tesseract-ocr/downloads/list下载。

在使用时，建议使用3而不要使用2，因为一些原因，2虽然可以直接用在工程，但是由于一些显而易见的BUG和其他原因，多导致程序无法运行甚至崩溃。所以建议使用命令行版本的3 。

除了下载tesseract安装程序以外，还可以在下载页面下载一些语言库，当然，也可以在安装过程中选择一些语言库来进行安装。

 

一、训练

在很多时候，默认的字库等完全可以高准确度的识别，但是有些时候我们需要训练自己的库来使用。训练步骤如下：

注：

A、均以DOS命令为例，即将每步下面的命令保存为.BAT运行，或运行CMD进入tesseract所在目录运行

B、注意保证文件名的一致性（此处均为DDT）

0、复制training目录下的全部文件到tesseract3所在目录

copy .\training\*.exe .\

1、标记边框

tesseract ddt.tif ddt -l eng digits batch.nochop makebox

解释一下

ddt.tif为要识别的文件，支持jpg,gif,tiff等格式，建议用tif

ddt 为要保存的文件名（自动添加扩展名.box）

-l eng 使用的库，这个参数可以让我们选择用哪个字库来标记边框

后面的都是配置文件了，也就是tesseract的其他参数被以文件形式加载，而不是直接输入参数

digits指定了只识别0-9的数字（当然你可以编辑它，使它包含更多的字符），当你不需要指定时，一定要去掉这个参数，但使用这种字符集限定，可以最大程度上减少被错误识别搞的你编辑ddt.box头昏脑胀的几率。

注：

这一步非常关键，但也经常出现问题，即使你在http://code.google.com/p/bbtesseract/downloads/list下载了bbtesseract也是如此，所以我感觉应该自己编一个边框识别，但没有时间做。完全可以将命令写入到软件里，实现图形化。所以，注意编辑你生成的ddt.box文件，保证字符都被识别且边框正确。

这里也有一个小技巧，例如我做过这样一个tif：1.2-34567089，在这一步的时候，只识别了2-9这一部分，于是我修改tif为：001.2-34567089，就全部识别了。也许可以给你一些启示。

2、形成语言库

tesseract ddt.tif ddt -l eng digits nobatch box.train
unicharset_extractor ddt.box